А то ведь из каждого утюга слышим про вайбкодинг и очередные «революционные» B2B SaaS, которые теперь может собрать буквально каждый. А из околонаучных телеграм-каналов — очередные страхи и переживания о том, что статьи уже пишутся с ИИ, рецензируются с ИИ и скоро, видимо, читаться тоже будут исключительно ИИ.
И вот мне кажется, что между этими двумя мирами есть какой-то странный неформализованный разрыв.
С одной стороны, весь вайбкодинг во многом про то, что теперь можно довольно легко что-то сделать. Не обязательно нормально уметь программировать: объясняешь агенту, чего хочешь, он пишет код, запускает, чинит ошибки, переписывает — и в итоге у тебя появляется приложение, сайт, сервис или ещё что-нибудь «классное». В том числе появляется куча всего «для ученых».
AI for Science, конечно, отдельная большая и очень интересная тема. Но какого-то готового инструмента, от которого я как обычный экспериментатор сказал бы: «вот, это прямо радикально изменило мою научную работу, кайф!», — я пока не встретил.
С другой стороны, мы прекрасно освоили главную суперсилу языковых моделей — генерировать какие угодно тексты. Сколько уже было прекрасных скриншотов из опубликованных статей, где авторы забыли убрать, а редакторы не заметили что-нибудь в духе: «Конечно! Вот переработанная версия вашего обзора…».🤣 И в итоге значительная часть видимого «ИИ в науке» пока выглядит как нейрослоп: одинаковые тексты с характерными —, двоеточиями, «важно отметить» и
Но недавно меня осенило, что можно более адекватно на эту нейроистерию посмотреть))
Так что в выходные теперь разбираю данные, которые у меня лежат уже довольно давно: РФА, ДСК, XAS, Раман — в общем, нормальный такой набор экспериментального добра, до которого не доходили руки.
Я просто как следует задолбал Sol 5.6 в Codex, чтобы он поставил мне все нужные Python-пакеты, объяснил, где лежат данные и что с ними нужно делать. И дальше происходит довольно забавная вещь: можно оставить компьютеру задачу на выходные — разобрать файлы, собрать серии образцов, привести все к единому виду, нормализовать там, где нужно, построить графики, проверить странности и подготовить результаты для дальнейшего анализа. А с телефона подключаться по ходу и управлять.
Тут ты не просишь, чтобы ИИ «придумал научный результат». Это по сути ровно та рутинная работа, которую раньше нужно было либо несколько часов делать самому руками в Python / Origin / Excel, либо отдавать кому-то из младших коллег (а потом все равно несколько раз объяснять и переделывать).
Ну, то есть у меня это скорее такой процесс: «Вот данные. Вот что они означают. Ничего не потеряй. Собери серии вот так. Эти образцы сравни отдельно. Посмотри вот эту зависимость. Построй вот так, в таком стиле».
Дальше можно идти глубже: первичный скрининг возможных фаз по РФА, поиск зависимостей между составом и характеристиками спектров, сопоставление данных из разных серий итп.
Понятно, что интерпретировать результат, понимать физический смысл и решать, чему вообще можно верить ты должен сам. Иначе получится полная хрень, собственно как и в вайбкодинге без знаний разработки 😁.
В общем, что? Вайбресерчим, получается 🐗